さまざまな場所の時間周波数図CNNメソッドを備えた高精度wifiベースのヒト活動分類システム

高齢者は落ちる可能性が非常に高いです。これは健康に対する重大な脅威です。ただし、転倒は予防可能であり、必ずしも老化の避けられない部分ではありません。人々が転倒を避けるのを助けるために、多くの異なる転倒検出システムが開発されています。ただし、ウェアラブルデバイスまたは画像認識ベースに基づく従来のシステムには、ユーザーが不適切なプライバシーの問題など、多くの欠点があります。最近、WiFiベースの転倒検出システムは、上記の問題を解決しようとします。ただし、精度が低下するという一般的な問題があります。ただし、システムは元の信号収集/トレーニング場所でトレーニングされているため、アプリケーションは別の場所にあります。提案されたソリューションは、特定の人間の作用によって引き起こされる変更された信号の特徴を抽出するだけです。これを実装するために、チャネル状態情報（CSI）を使用して、畳み込みニューラルネットワーク（CNNS）をトレーニングし、アクションをさらに分類しました。提案された方法のパフォーマンスをテストするためのプロトタイプを設計しました。私たちのシミュレーション結果は、同じ場所の平均精度と異なる場所がそれぞれ93.2％と90.3％であることを示しています。

Older people are very likely to fall, which is a significant threat to the health. However, falls are preventable and are not necessarily an inevitable part of aging. Many different fall detection systems have been developed to help people avoid falling. However, traditional systems based on wearable devices or image recognition-based have many disadvantages, such as user-unfriendly, privacy issues. Recently, WiFi-based fall detection systems try to solve the above problems. However, there is a common problem of reduced accuracy. Since the system is trained at the original signal collecting/training place, however, the application is at a different place. The proposed solution only extracts the features of the changed signal, which is caused by a specific human action. To implement this, we used Channel State Information (CSI) to train Convolutional Neural Networks (CNNs) and further classify the action. We have designed a prototype to test the performance of our proposed method. Our simulation results show an average accuracy of same place and different place is 93.2% and 90.3%, respectively.